TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval
TIGER-FG: 文本引导的隐式细粒度定位用于电商图像到多模态检索
🧭 电商图像检索 · 文本引导隐式细粒度对齐 ★ 深度解读
Kuaishou Technology
提出文本引导的隐式定位框架，无需物体检测即可从全图中提取目标聚焦的多模态嵌入，显著提升混叠场景下的检索精度。
📌 工作参考价值（4 点）
- 文本作为定位引导：利用商品标题、类别等结构化文本作为语义先验，通过交叉注意力模块自动关注图像中的目标区域，省去显式检测模块，降低工程部署成本与误差传播风险。
- 双蒸馏目标稳定表征：空间关系蒸馏（LSRD）保持patch级空间一致性，相似度分布蒸馏（LSDD）继承教师模型的全局视觉相似结构，两者联合可提升嵌入的判别力与训练稳定性，均可迁移至其他需要细粒度对齐的召回模型。
- Mosaic 增强与批次内竞争：将目标商品与跨类干扰物粘贴到随机背景上构成 Mosaic 样本，并将同一 Mosaic 中的多个商品放入同一 batch，迫使模型依赖文本来区分视觉相似但语义不同的候选项，适用于存在背景杂乱或多物共现的搜索场景。
- 高效轻量的工程适配：仅 85.7M 用户侧参数、256 维嵌入，可直接接入现有向量检索库；训练时仅需物品检测框作为辅助监督，索引与检索时完全无需任何框信息，适合大规模电商检索系统。